1. 从“碰运气”到“能复现”：双参考图到底解决了什么问题
做AI生图的老手应该都有这种感觉：单张图怎么都好说，一旦要画一个“系列”，麻烦立刻就来了。
以前用AI画连环画或者四格漫画，最痛苦的不是构图、不是光影，而是“角色稳定”。第一格的主角是个戴眼镜的短发男生，到第四格他可能突然变成了长发大叔——AI生成有随机性，单独生成单张图时它根本不知道前面发生了什么，也不会自动记得“主角应该是谁”。
所以过去画连续分镜，我们通常的做法是：先生成一张满意的角色图，然后把这张图作为参考图，加上文字描述再生成下一张。这个思路本身没问题，但只靠一张参考图有个致命短板——你只能约束“主角”或者“风格”中的一项。用参考图锁定了角色外貌，下一格画面的整体色调、画风、笔触就可能跑偏；用参考图锁定了风格，角色的脸又控制不住。一句话，单参考图模式下，角色和风格就像跷跷板的两端，顾此失彼。
Image 2.5这次更新，最让内容创作者兴奋的恰恰是它支持了双参考图输入。也就是说，你可以一次性喂两张图进去，让模型同时参照两张图的信息来生成新画面。这个能力放在连环画场景里，可以说是精准踩中了需求：一张图负责锁风格，一张图负责锁角色，两条约束线同时生效，连续四格故事终于不用再去碰运气了。
我这几天用Image 2.5实际跑了一遍四格故事全流程，从脚本拆分、双参考图准备，到逐格生成、风格微调，整个过程跑通之后，最大的感受是：这个功能不是“多一个上传框”那么简单，它本质上打开了AI生图在叙事类内容上的大门。
2. 双参考图的核心原理：风格与内容如何分离约束
2.1 一张图锁“长相”，一张图锁“气质”
双参考图这个功能，官方没有给出特别繁琐的技术说明，但从实际表现来反推，它的机制可以理解成：模型会分别对两张参考图做特征提取，把视觉信息拆解为不同的“约束维度”，然后在生成时同时满足这些约束。
我自己的使用经验是，两张参考图要“分工明确”，甚至可以说是互补关系。第一张图建议放“角色设定图”——用来约束主体形象，包括人物五官、发型、服装、体型这些具体特征。第二张图建议放“风格参考图”——用来约束画面的整体氛围，包括色调倾向、笔触风格、光影方式、画面质感这些抽象维度。
这样做的好处非常明显。AI生图模型最擅长的其实是处理“抽象风格”，但它很难同时记住太多具体细节。你把“人物长什么样”和“画面是什么风格”拆成两个独立输入，模型就相当于拿到了两条清晰而不互相干扰的指令，而不是把一堆要求揉在一起让它自己分。
2.2 为什么一张参考图不够用：跷跷板效应的实际表现
我拿上一代模型实测过，只给一张参考图的时候，如果你在提示词里写“保持画面风格一致，赛博朋克配色，暗红色主调”，模型很容易把角色的服装颜色、皮肤色调、甚至五官结构都往赛博朋克方向带——因为它以为你要的是“整张图都变成这个风格”，角色本身的信息在风格干扰下会慢慢失真。
反过来，如果你用参考图锁死角色，然后指望文字描述控制风格，又会发现：描述太粗，风格根本控制不住；描述太细，又会和参考图的视觉信息打架，出来的画面四不像。这就是典型的跷跷板效应。
双参考图解决的就是这个矛盾。我在实际操作中把风格图设成一张低饱和度的水彩手绘风示例图，角色图设成一张清晰的正面半身设定图，生成出来的画面，角色的五官特征保持得很好，同时画面整体的水彩质感、纸质纹理也稳定呈现，两者融合得相当自然。这种“稳定感”在连环画里太重要了，因为读者翻页时第一眼注意到的，就是画面是否连贯。
2.3 双参考图适合什么场景，不适合什么场景
不是所有需求都适合双参考图。如果你只是单张生成，想要一张好看的壁纸，双参考图反而可能限制发挥——模型在兼顾两张图约束的同时，会降低构图的自由度。但如果你的目标是“系列化”“一致性”“叙事性”，双参考图就是目前最趁手的工具。
具体来说，这几个场景我实测下来效果提升非常明显：
- 多格漫画、四格故事、条漫：同一批角色在不同格子中保持形象一致
- 系列海报、同人组图：每张图独立生成，但看整体时风格统一
- 角色多视角展示：用同一张角色图配不同风格的参考图，快速切换画风
- 故事版预演：先定角色、再定整体氛围，快速输出几个不同走向的分镜方案
反过来，如果你要的是商业级精确控制，比如“这个杯子上的LOGO绝对不能变”，那现阶段AI生图还是不合适，双参考图也救不了，因为模型对细节的还原还没有到像素级一致的程度。
3. 实操全流程：从脚本拆解到四格连续故事生成
3.1 第一步：先把故事拆成“三栏表格”
双参考图再强大，它也只是个画画的，不是编剧。正式动笔之前，你需要的是一份足够清晰的“分镜脚本”。我的习惯是把四格故事拆成一张三栏表格：格子序号、画面内容、文字说明。
画面内容写的是“这一格里具体画什么，角色在做什么动作，镜头是近景还是远景”；文字说明写的是“这一格在故事里承担的叙事任务”。这里有个关键心得：每一格的画面描述，尽量只写“看得见的东西”——动作、表情、构图、位置关系，不要把情绪词写进去。因为模型理解不了“惊讶”这种抽象概念，但能理解“手捂住嘴，双眼睁大”这种视觉化描述。
我这次跑的四格故事是一个很简单的“早晨起床”题材，四格分别是：闹钟响起、挣扎起身、冲向洗手间、坐在桌前精神抖擞。拆好脚本之后，每一格都有明确的任务，生成时就不至于跑偏。
3.2 第二步：准备双参考图，这一步决定成败
双参考图的质量，直接决定最终出图的下限。
角色参考图我建议用正面半身、光线均匀、背景简洁的图。不需要特别精美的艺术图，反而越“设定图”越合适——就像动画公司的人设三视图，只要五官清晰，模型就能提取到足够准确的相貌特征。背景杂物太多反而会干扰模型对“重点特征”的判断。
风格参考图的选择标准完全不同。它不需要有人物，最好是一张和你想要的画风高度一致的纯风景图或者局部细节图。我之前用了一张水彩颜料在纸上晕染的局部照片作为风格参考，生成出来的四格都有非常明显的水彩纸纹质感——这说明模型从风格图中提取纹理和笔触特征的能力，比想象中要强。
这里有一个常见的操作误区：有人直接把漫画家的成品图拿来当风格参考。这会导致一个问题——成品图里通常有人物、有完整场景，模型会把“人物风格”和“画面风格”混在一起提取，效果反而不如一张纯粹的风格图来得好。我个人的经验是，风格参考图越“纯”越好。
3.3 第三步：首批生成与参数设置思路
目前不同渠道对Image 2.5的操作入口叫法不太一样，但核心逻辑都是一样的：上传两张参考图，再加上文字提示词。生成参数上，如果想最大程度保留两张参考图的特征，建议把“与参考图相似度”或者“参考强度”这类参数调到中高区间——太低会导致某些格子的画风明显偏离，太高又可能让角色动作变得僵硬，缺少自然变化。
我在实践中找到的平衡点是：角色参考图的约束强度可以稍微高一点，风格参考图可以稍微低一点。原因也很简单，一张人脸一旦发生畸变，故事彻底就没法看了；而风格稍微波动一点点，普通人根本感知不出来。所以角色一致性优先，风格一致性从宽。
第一批生成建议四格一次性跑完，别一格一格做。一次性跑出四张图，你才能整体判断画面是否连续、色调是否统一，而不是做完一格再倒回去重来。具体的提示词结构，分成三部分：主体动作描述 + 场景环境描述 + 镜头语言描述，顺序不要乱。模型理解提示词是有先后权重的，越靠前的描述越重要。
3.4 第四步：逐格精修与上下文衔接
第一批四格生成完之后，几乎不可能一次全过，总有一两格会出现问题，要么是角色表情不对，要么是透视角度跳了。传统做法是删掉重来，但双参考图模式下我建议逐格微调——针对出问题的那一格，保留参考图不变，修改动作描述部分文字重新生成。
逐格微调时还有一个“上下文暗示”的小技巧：在提示词里带上上一格的画面要点。比如第四格我写的是“坐在桌前，双手握着咖啡杯，桌子上摊开的书本”，模型能从中捕捉到“这是延续之前场景”的信号，生成出来的画面和第三格的场景衔接就非常自然。
这个技巧的原理在于，连Image 2.5也只能看到当前格子的参考图，它不知道上一格画了什么。你在提示词里补充场景信息，实际上是在帮它搭建“虚拟的上下文记忆”。这是目前生成连续多格内容，最实用但也最容易被忽略的一个细节。
4. 我在实际跑图过程中踩过的四个坑
4.1 角色参考图里有文字或水印，画面直接崩
第一次跑的时候，我顺手拿了一张带平台水印的图片当角色参考图。生成结果让我哭笑不得——每一格的背景里都出现了水印文字，而且是扭曲变形的文字。模型知道“画面中有文字”，但它不知道文字是什么意思，就把字形当纹理画出来了。
后来我把角色参考图裁切干净，去掉所有文字、水印、无关边框，问题立刻消失。这一点务必检查到位，AI生图模型对文字的敏感度比想象中高得多。
4.2 提示词里写了“不要红色”，结果全是红色
写提示词的时候，我用了一个典型的反面示例：在提示词末尾加了一句“画面中不要出现红色”。模型完全当作没看见，四格图里到处是红色的杯子和窗帘。这个问题的原因其实很反直觉——大模型对否定表述的理解能力远远不如肯定表述。
正确的做法是只写“想要什么”，而不是“不想要什么”。想控制色调，直接在提示词里写“整体色调为蓝灰色，冷色系为主”。你越是否定一个事物，反而越容易把它的注意力引向那个事物。
4.3 格与格之间，视角跳跃太大会显得“跳戏”
四格故事最怕的就是分镜不连贯。第一格是全景、第二格突然变成大特写、第三格又切回远景，视觉上会非常跳。双参考图虽然锁定了角色和风格，但每一格的构图是独立的，需要你在提示词里对景别无意识地做限制。
我的做法是强制统一景别逻辑：要么四格全部用中景，要么按“全景—中景—近景—中景”的节奏走，让镜头在格与格之间有个循序渐进的过程。这样生成出来的四格，整体叙事感会强很多。
4.4 过度追求同一张脸，反而把角色的表情锁死了
这也是一个极易掉进去的坑。为了追求“四格角色完全一致”，我把角色参考图的约束强度拉到了最大。结果角色倒是稳定了，但四格的表情几乎是复制粘贴的，完全没有故事需要的情绪变化。
后来我把强度调低一档，发现问题迎刃而解：模型在保持五官基本结构不变的情况下，能够根据提示词里的表情描述做出自然调整——这才是双参考图本来的意义，让角色“长得一样”但同时“各有状态”。
5. 双参考图模式下，问题排查速查表
跑图过程中遇到问题很正常，关键是要能快速定位是哪一环出了问题。为了便于排查问题，我把常见现象和对应原因整理成了一个速查表，仅供参考。
| 现象 | 原因 | 处理方案 |
|---|---|---|
| 四格角色五官不一致 | 角色图约束强度太低或角色图不够清晰 | 提高角色参考图权重，更换设定图 |
| 四格画面风格差异大 | 风格图约束强度太低 | 提高风格参考图权重，选择更“纯”的风格图 |
| 某一格的氛围突兀 | 生成时风格参考图信息丢失 | 单独重新生成该格，不建议整体重跑 |
| 角色脑袋是歪的 | 角色参考图里有侧脸或遮挡 | 改用正脸设定图，且脸部占比更大 |
| 背景出现扭曲文字 | 参考图里有水印或文字 | 裁剪参考图，避开文字区域 |
| 格与格色调不统一 | 各格生成了不同的色彩倾向 | 在提示词开头明确写清全局色调描述 |
| 想要的动态动作被画僵 | 参考图约束强度拉太高 | 适度降低角色图权重，放宽动作自由度 |
| 画面风格混入了角色图的气息 | 角色图背景有风格特征 | 把角色参考图的背景裁掉或做去背景处理 |
这套排查逻辑本质上只有一条主线：先判断问题是出在“角色画像”还是“风格画像”，再判断是“参考图的质量”问题还是“约束强度”问题，一层层缩小范围，就能精准定位。
6. 从四格到更多格：这套方法还能怎么延伸
四格故事只是双参考图能力的一个切片。这个玩法跑通之后，我第一个想到的延伸场景是“多页短篇漫画的预览”——先用双参考图生成主角在不同场景下的多张关键画面，拼在一起看节奏是否对味，确认故事线没有大问题之后再投入正式绘制。这种方式能够以更低的成本完成早期故事验证。
另一个我个人很看好的方向是“系列社媒卡片”。在内容运营场景里，常常需要一套视觉统一但每张独立成篇的题图。以前画一套至少得加班好几天，现在用双参考图，风格图锁死品牌视觉规范，角色图锁死IP形象，输入不同的标题文案和构图描述，几分钟就能出一整套。生成的物料虽然还需要人工微调，但已经是可用级别的效率了。
还有创作者把双参考图用在DnD跑团角色卡展示上——固定角色立绘加不同职业场景的风格图，一张角色可以快速切换出战士、法师、盗贼等不同身份的“平行世界版本”。这些用法本质上都是同一套逻辑：用风格参考图控制画面气质，用角色参考图控制主体特征，再通过文字描述引导构图和动作变化。理解了这一层，你可以举一反三用到很多场景里。
7. 关于Image 2.5和一些遗留局限的大实话
最后说点不太中听的实话。
Image 2.5的双参考图，是我目前用过的所有AI生图工具里，在“保证画面一致性”这件事上做得很顺手的一个方案，但它不是万能的。它在角色一致性上做得不错，但在连续动作的物理合理性上仍然有明显短板。比如四格故事里要让角色完成“起身—走动—坐下”这个连续动作，模型大概率会把三个格子的动作画得不够连贯，个别格子的肢体比例还会出问题。
另外，双参考图模式下token消耗和生成时间，都比单图模式有增加。如果你只是随手画一张氛围图，没有必要开双参考图；但涉及系列化产出时，这个成本多花得值。批量生成的时候，我通常先做一些轻量级的风格预试验证，快速选风格图，选好之后再上双参考图跑正式稿，这样能省下不少无谓的运算消耗。
引用我在实际操作中被坑出来的一个心得：双参考图的约束力是“倾向性”的，不是“绝对性”的。它大幅提高一致性，但做不到100%还原，如果你需要的是一个像素级别保持一致的东西，还是老老实实去用人工工具处理，AI的优势在于风格与创意的变化空间，而不在于高精度的像素级还原。
根据我个人经验，这类能力后续大概率还会继续迭代，但现阶段最大的价值，或许是让“一个人也能完成系列化视觉叙事”这件事从想法变成可能。至少对现在的我来说，四格故事、系列图卡、跨页面的一致风格，已经不再是“每次都要祈祷几次才能碰巧得到”的事了。这套流程你照着跑一遍，也能稳定地复现出自己想要的结果。
